• Arbeitsgruppen

Responsible Health Data Analysis

Jessica Rohmann

Die Forschungsgruppe „Responsible Health Data Analysis“ entwickelt und wendet Methoden an, um die Qualität, Zuverlässigkeit und Interpretierbarkeit der Gesundheitsforschung zu verbessern. Unser besonderes Interesse gilt der Frage, wie Beobachtungsdaten aus dem Gesundheitswesen genutzt werden können, um deskriptive, prädiktive und kausale Fragestellungen zu beantworten, wobei ein starker Schwerpunkt auf der kausalen Inferenz liegt. Wir verbinden methodologische Forschung mit praktischen Anwendungen. Unsere Arbeit befasst sich damit, wie Forschungsfragen in geeignete Studiendesigns und Analysen umgesetzt werden können, wie Annahmen und Einschränkungen die ableitbaren Schlussfolgerungen beeinflussen und wie neue methodische Entwicklungen in die Praxis umgesetzt werden können. Darüber hinaus betreiben wir Metaforschung, um zu untersuchen, wie Forschungsmethoden in der Praxis angewendet und dokumentiert werden, und entwickeln Ansätze, um Forscher bei der Erstellung und kritischen Bewertung solider Evidenz zu unterstützen.

Dr. Jessica Rohmann

Forschungsgruppenleiterin "Responsible Health Data Analysis"

E-Mail:
jessica.rohmann[at]charite.de

Forschung

Unsere Forschung konzentriert sich auf die verantwortungsvolle Analyse von Gesundheitsdaten und die Qualität der Forschung, wobei ein besonderer Schwerpunkt auf der kausalen Inferenz liegt.

Ein wichtiges aktuelles Projekt ist 3P-CAUSAL („Promises, Pitfalls, and Pathways for Causal Inference with Synthetic and Anonymized Health Data“), ein vom BMFTR gefördertes Nachwuchskonsortium im Rahmen des Programms „Zukunft eHealth“, das im Oktober 2026 gestartet wurde und eine Laufzeit von drei Jahren hat. Neben der Koordination des Konsortiums leitet unsere Gruppe das Teilprojekt „Kausales Rahmenwerk für anonymisierte und synthetische Gesundheitsdaten“. Wir untersuchen, wie sich datenschutzkonforme Transformationen von Gesundheitsdaten auf den „kausalen Nutzen“ auswirken, und wollen Methoden entwickeln, mit denen sich beurteilen lässt, ob und unter welchen Bedingungen anonymisierte und synthetische Daten für zuverlässige Kausalanalysen verwendet werden können. Dies ist insbesondere angesichts der wachsenden Verfügbarkeit von Gesundheitsdaten für die Sekundärforschung und der Entwicklung des European Health Data Space von Bedeutung.

Im weiteren Sinne zielt unsere Gruppe darauf ab, die Lücke zwischen der Entwicklung neuer Methoden der kausalen Inferenz und deren Anwendung in der angewandten Forschung zu schließen. Dazu gehören die Anwendung neuer Methoden auf reale Gesundheitsfragen, die Entwicklung praktischer Leitfäden und Beispiele sowie die Stärkung des Austauschs zwischen verschiedenen Disziplinen. Diese Arbeit baut auf dem 2025 ins Leben gerufenen „Einstein Circle on Causal Inference from Observational Health Data“ auf.

Ein weiterer Schwerpunkt unserer Arbeit liegt auf Forschungsqualität und Metaforschung. Wir untersuchen, wie Forschungsmethoden in der Praxis angewendet, dokumentiert und interpretiert werden, und entwickeln praxisorientierte Ansätze, die Forschern dabei helfen sollen, ihre Methoden zu verbessern und wissenschaftliche Erkenntnisse kritisch zu bewerten. Dazu gehören Schulungen zum Peer-Review-Verfahren im Rahmen der „Peerspectives Training Initiative“ sowie aktuelle Arbeiten zum verantwortungsvollen Einsatz generativer KI in der epidemiologischen Lehre und Praxis.

In all diesen Bereichen verbinden wir methodologische Forschung, angewandte Forschung und die Ausbildung von Forschenden, um die Analyse von Gesundheitsdaten sowie die Erarbeitung und Bewertung wissenschaftlicher Erkenntnisse zu verbessern.
 

Publikationen (Auswahl)

  1. Bartz A, Glaser N, Bayer O, Hallsson LR, Jaeger VK, Krumkamp R, Minnerup H, Pickford R, Standahl Olsen K, Wuelk N, Lukic M, Rohmann JL. Ten recommendations for the use of generative artificial intelligence into epidemiology teaching: Results from an expert workshop. Research Square [Preprint]. 2026. https://doi.org/10.21203/rs.3.rs-10974790/v1
  2. Rohmann JL, Wülk N, Rubarth K, Grillmaier H, Abdikarim I, Lopes Simões M, Schroter S, Piccininni M, Kurth T, Glatz T. Effectiveness of the researcher-led “Peerspectives” peer review training course on review quality, knowledge, and skills among doctoral students in the biomedical sciences: a pre-post study. Res Integr Peer Rev. 2026. https://doi.org/10.1186/s41073-026-00220-3
  3. Reitzle L, Rohmann JL, Kurth T, Audebert HJ, Piccininni M. External validation of risk prediction models for post-stroke mortality in Berlin. BMJ Open. 2025. https://doi.org/10.1136/bmjopen-2024-089320
  4. Forrest MR, Weissgerber TL, Lieske ES, Tamayo Cuartero E, Fischer E, Jones L, Piccininni M, Rohmann JL. Use of stacked proportional bar graphs (“Grotta bars”) to visualize functional outcome distributions in observational neurology research. Neurology. 2025. https://doi.org/10.1212/WNL.0000000000210169
  5. Collazo A, Kuhn H-G, Kurth T, Piccininni M, Rohmann JL. Rethinking animal attrition in preclinical research: expressing causal mechanisms of selection bias using directed acyclic graphs. J Cereb Blood Flow Metab. 2024. https://doi.org/10.1177/0271678X241275760
  6. Rohmann JL, Huerta-Gutierrez R, Audebert HJ, Kurth T, Piccininni M. Adjusted horizontal stacked bar graphs ("Grotta bars") for consistent presentation of observational stroke study results. Eur Stroke J. 2023. https://doi.org/10.1177%2F23969873221149464   
  7. Piccininni M, Kurth T, Audebert HJ, Rohmann, JL. The effect of Mobile Stroke Unit care on functional outcomes: an application of the front-door formula. Epidemiology. 2023. https://doi.org/10.1097/ede.0000000000001642
  8. Rohmann JL, Piccininni M, Ebinger M, Wendt M, Weber JE, Schwabauer E, Geisler F, Freitag E, Harmel P, Lorenz-Meyer I, Rohrpasser-Napierkowski I, Nolte CH, Nabavi DG, Schmehl I, Ekkernkamp A, Endres M, Audebert HJ. Effect of Mobile Stroke Unit Dispatch in all Patients with Acute Stroke or TIA. Ann Neurol. 2023. https://doi.org/10.1002/ana.26541
  9. Wong A, Kramer SC, Piccininni M, Rohmann JL, Kurth T, Escolano S, Grittner U, de Cellès MD. Using LASSO regression to estimate the population-level impact of pneumococcal conjugate vaccines. Am J Epidemiol. 2023. https://doi.org/10.1093/aje/kwad061
  10. Piccininni M, Rohmann JL, Wechsung M, Logroscino G, Kurth T. Should cognitive screening tests be corrected for age and education? Insights from a causal perspective. Am J Epidemiol. 2023. https://doi.org/10.1093/aje/kwac159

Team

Projekte

Einstein Circle: Causal Inference from Observational Health Data

Peerspectives

Berlin Editors’ Exchange Network